با توسعه بازارهای خرید لحظه ای، برخی شرکت های واسطه برای تأمین کالا برای یک مقطع زمانی مشخص و کاهش ریسک خود، ابتدا قراردادی به صورت پیش خرید با تأمین کنندگان منعقد می سازند و سپس در موعد مقرر برای مواجه با کمبود یا مازاد کالا، از بازار لحظه ای استفاده می نمایند. در مقایسه با قراردادهای پیش خرید، در بازار لحظه ای زمان تحویل اندک بوده اما در مقابل عدم قطعیت در قیمت به خریدار تحمیل می شود. در این پایان نامه چنین مبادلاتی در حالت وجود تخفیف به منظور تعیین تعداد بهینه خرید و کاهش ریسک خرده فروش بررسی شده است و مدل ریاضی مربوطه توسعه داده شده است. مدل ریاضی ارائه شده مبتنی بر تابع سود خریدار بوده و تنفر از ریسک خریدار در تابع هدف به صورت ضریبی در واریانس سود در نظر گرفته شده است. برای برآورد تخفیف از تابعی که تخفیفات را به صورت پیوسته پیش بینی می کند استفاده گردیده و آنالیز حساسیت پارامترها با یک مثال بحث شده است. همچنین در این تحقیق مدل ریاضی بهره گیری صرف از قرارداد پیش خرید در حالت وجود تخفیف توسعه داده شده و در پایان این دو سناریو یعنی بهره گیری از بازار لحظه ای و عدم بهره گیری از آن با یکدیگر مورد مقایسه قرار گرفته و تأثیرگذاری بازار لحظه ای بر تابع هدف و تابع سود بررسی شده است.

مسئله زمان بندی تولید و جمع آوری قطعات از تأمین کنندگان و ارسال آن به یک واحد مونتاژ کار، یکی از انواع مسائل حمل و نقل در سیستم های لجستیک می باشد. سیستم لجستیکی در بخش تأمین، شامل چندین تأمین کننده و یک خریدار و یا در حالت توسعه یافته با چند خریدار می باشد که در آن تأمین کنندگان با توجه به تقاضای شرکت خریدار، قطعات مورد نیاز را تولید و آنها را طبق برنامه زمانی به شرکت خریدار حمل می کنند تا در آنجا قطعات به هم مونتاژ شده و محصول نهائی تولید شود .بنابراین کنترل و مدیریت زمان در سیستم تولید و حمل و نقل در بخش تأمین در حالتی که شرکت خریدار خود نسبت به تخصیص پالت جهت بسته بندی محصول اقدام می نماید، نقش بسزائی در کاهش هزینه تولید محصول دارد. این پژوهش به مدل سازی و حل مسئله زمان بندی تولید و حمل و نقل قطعات در بخش داخلی لجستیک می پردازد ، به طوری که استفاده از وسایل نقلیه موجود در یک بازه زمانی معلوم نوسانات زیادی نداشته و زمان سیکل کل چرخه تولید و حمل و نقل در این بخش حداقل گردد. این مسئله در دو مرحله حل می شود. در مرحله اول ابتدا مسئله به کمک شبکه های پتری به صورت گرافیکی نمایش داده شده و با توجه به ساختار و محدودیت های آن، مدل ریاضی مربوطه ارائه گردیده سپس یک مدل پیشنهادی با هدف یکپارچه سازی زمان بندی ها و متمرکز کردن برخی فعالیت ها، ارائه گردیده است. این مدل با استفاده از روش برنامه ریزی خطی حل شده و در نهایت به منظور نزدیک تر شدن به واقعیت، مدل پیشنهادی با استفاده از روش برنامه ریزی خطی فازی نیز حل گردیده است.

امروزه یکی از چالش های اصلی شبکه های ترافیکی، هدایت وسائل نقلیه برای رسیدن به مقصدشان تحت وضعیت پویای ترافیک با هدف اجتناب از تراکم، کاهش زمانهای سفر و استفاده موثرتر از ظرفیتهای موجود شبکه حمل ونقل شهری می باشد. در پاسخ به مسائل بیان شده، سیستم پویای هدایت(راهنمای) مسیر رویکردی موثر به نظر می رسد. این سیستم از جمله حوزه های مهم فعالیت سیستمهای هوشمند حمل ونقل(its) می باشد. هسته اصلی سیستم پویای هدایت مسیر، محاسبات کوتاهترین مسیر بر اساس شرایط جاری(اطلاعات در زمان واقعی) است. امروزه بمنظور جمع آوری اطلاعات زمان واقعی، شبکه خیابانهای بسیاری از شهرها به حسگرهایی نظیر حلقه های مغناطیسی مجهز شده اند اما از این داده های زمان واقعی بشکل موثری استفاده نمی شود. از اینرو با توجه به ضرورتهای بیان شده، هدف کلی تحقیق را می توان در قالب توسعه استراتژیهای موثر مسیریابی بمنظور هدایت مسیر وسائل نقلیه تحت وضعیت پویای محیط تعریف نمود. ارزش سویه ها یا زمانهای سفر برروی سویه های شبکه های حمل ونقل تحت تاثیر برخی از نامعینی ها و شرایط غیرقابل پیش بینی نظیر تصادفات؛ بشکل پویا تغییر می یابد. لذا بدلیل مشکل بودن محاسبات کوتاهترین مسیر پویا در این وضعیت و نیز غیرکافی بودن مدلهای موجود در ادبیات موضوع، پیدا کردن فرمولاسیون جایگزین برای الگوریتم های یافتن مسیرکه تخمین های خوبی از جواب بهینه فراهم نموده و زمان اجرای محاسیات را کاهش دهد از جمله انگیزه های تحقیقات در این زمینه بوده است. بدین منظور در این تحقیق با بیان چارچوب مفهومی هدایت مسیر مبتنی بر ساختار مسیریابی غیرمتمرکز، به چگونگی ادغام سیستم های هدایت مسیر با روشهای هوش مصنوعی و بکارگیری تکنیکهای عامل گرا با تاکید بر یادگیری تقویتی بعنوان یک راه حل در مواجهه با نامعینی های مساله مسیریابی وسائل نقلیه در شبکه های ترافیکی پرداخته شده است. از نتایج مهم تحقیق ارائه شده می توان به معرفی یک مدل ترکیبی بر پایه عاملها و استفاده از اطلاعات زمان واقعی، حل مدل مساله هدایت مسیر در وضعیت پویا با روشهای شبیه سازی، توانائی مدلهای یادگیری پیشنهاد شده در ارائه سیاست یا استراتژی انتخاب مسیر در تطبیق با شرایط پویای ترافیکی و نیز ارائه آلترناتیوهای مختلف پیشنهادی طی مسیر برای رانندگان با هدف صرفه جویی در زمانهای سفر وسائل نقلیه، اجرای الگوریتم ها برروی بخشی از شبکه ترافیکی شهر تهران بعنوان یک نمونه واقعی اشاره نمود.

این تحقیق به بررسی زمانبندی تامین و حمل و نقل در زنجیره تامین صنعت خودروسازی می¬پردازد. زنجیره¬تامین مورد بررسی شامل دو مرحله می¬شود. مرحله اول شامل m تامین¬کننده می¬شود که در نواحی مختلف جغرافیایی پراکنده¬اند و باید تعداد n سفارش به آنها تخصیص یابد. مرحله دوم نیز شامل l وسیله نقلیه ناهمگن می¬شود که وظیفه انتقال سفارشات پردازش شده توسط تامین¬کنندگان را به شرکت خودروساز بر عهده دارند. هر سفارش شامل مقدار مشخصی کالا است و متشکل از چند پالت می¬شود که سایز هر پالت می¬تواند متفاوت باشد. برای هر تامین¬کننده و وسیله¬نقلیه یک زمان فراهم بودن (availability) و برای هر سفارش یک زمان آمادگی (ready time) جداگانه وجود دارد. زمان و هزینه¬ حمل و نقل یک مسیر توسط هر نوع وسیله¬ نقلیه متفاوت است. همچنین زمان پردازش یک سفارش در تامین¬کنندگان مختلف می¬تواند متفاوت باشد. هر وسیله¬ نقلیه می¬تواند سفارشات مربوط به چند تامین¬کننده-ی مختلف را در یک محموله حمل کند. این امر سبب کاهش هزینه¬های حمل و نقل و استفاده موثر از وسائل نقلیه می-شود. تابع هدف کمینه¬سازی هزینه¬های مربوط به دیرکرد سفارشها، تعداد وسائل نقلیه مورد استفاده، مسافت کل طی شده توسط وسائل نقلیه، موجودیها در زنجیره تامین و میزان تخطی از حدود مربوط به سهمیه¬ی تامین¬کنندگان است. بعلت زیاد بودن محدودیتها و ویژگیهای مساله، بمنظور حل این مساله ابتدا محدودیتها و ویژگیها به چهار دسته تقسیم-بندی می¬شوند و در هر مرحله بخشی از فرضیات وارد مساله شده و پس از مدلسازی ریاضی، ارائه روش حل و اعتبارسنجی آن، فرضیات جدید به مساله اضافه می¬شوند. ابتدا به بررسی یکپارچگی زمانبندی تامین و حمل و نقل در یک ناحیه جغرافیایی پرداخته می¬شود و ضمن ارائه مدل ریاضی مساله، یک الگوریتم ژنتیک با نام الگوریتم ژنتیک پویا برای حل مساله ارائه می¬گردد که دارای کرومزومهایی با ساختار متغیر است. بمنظور اعتبارسنجی روش حل ارائه شده، این روش با روش جستجوی تصادفی و تعمیم روش حل مربوط به نزدکترین مساله در ادبیات موضوع (به مساله¬ی مورد بررسی) مقایسه شده است که نتایج نشان از برتری الگوریتم ژنتیک پویا دارد. سپس به بررسی و مدلسازی مساله یکپارچگی زمانبندی تامین و حمل و نقل در چند ناحیه جغرافیایی در دو حالت تک معیاره و دو معیاره پرداخته می¬شود. برای حل مساله در حالت تک هدفه از الگوریتم ژنتیک پویا استفاده می¬شود. بمنظور اعتبارسنجی روش حل پیشنهادی، الگوریتم ارائه شده با روش جستجوی تصادفی و تعمیم روش حل مربوط به نزدکترین مساله در ادبیات موضوع (به مساله¬ی مورد بررسی) مقایسه می¬شود. نتایج نشان از برتری الگوریتم ژنتیک پویا در هر دو مورد از مقایسات دارد. همچنین الگوریتم ارائه شده برای مسائل با ابعاد کوچک با جواب بهینه مقایسه شده¬اند که نتایج نشان از اختلاف کم بین جوابهای الگوریتم ارائه شده با جواب بهینه دارد. در حالت دو معیاره نیز از یک الگوریتم بنام الگوریتم ژنتیک اجتماعی استفاده می¬شود که دارای سه جمعیت از کرومزومها است. بمنظور اعتبارسنجی روش حل پیشنهادی الگوریتم ارائه شده با روش جستجوی تصادفی و یک الگوریتم ژنتیک معمولی که دارای یک جمعیت است (اما اندازه جمعیت آن سه برابر اندازه جمعیت در الگوریتم ژنتیک اجتماعی است) مقایسه شده است که نتایج نشان از برتری الگوریتم ژنتیک اجتماعی دارد. همچنین الگوریتم ژنتیک اجتماعی برای مسائل با ابعاد کوچک با جواب بهینه مقایسه شده¬اند که نتایج نشان از اختلاف کم بین جوابهای الگوریتم مذکور با جواب بهینه دارد. در انتها نیز به بررسی مساله اصلی با در نظر گرفتن تمام فرضیات پرداخته می¬شود و مدلسازی ریاضی مساله¬ی مذکور ارائه می¬گردد. پس از آن یک الگوریتم با نام الگوریتم ژنتیک اجتماعی که دارای شش جمعیت می¬باشد، ارائه می¬گردد. به منظور اعتبارسنجی روش حل پیشنهادی از داده¬های واقعی مربوط به شرکت ایران¬خودرو استفاده شده است. با مقایسه خروجیهای بدست امده از الگوریتم پیشنهادی و سیستم فعلی بهبود42.39 درصدی در هزینه¬های حمل و نقل، بهبود 69.98 درصدی در هزینه¬های دیر کرد، بهبود 98.27 درصدی در هزینه عدم رعایت درصد تخصیصها، بهبود 95.01 درصدی در هزینه خواب سرمایه موجودیهای در جریان ساخت و بهبود 69.98 درصدی در کل هزینه¬ها حاصل شده است و تنها در مورد هزینه استفاده از وسائل نقلیه، بعلت اینکه در سیستم فعلی هزینه¬ای جهت خرید ماشین آلات صرف نمی شود، بنابراین این هزینه برابر صفر است اما در سیستم پیشنهادی این هزینه برابر 67375000 تومان در هفته است.